A new framework for mapping rubber plantations through the combination of semiautomatic sample migration, dynamic phenology, and change detection variables based on time series Landsat images
Notice bibliographique
Résumé
Reliable mapping of rubber plantations is essential for yield estimation and sustainable land management, yet existing methods struggle with the lack of historical samples and the underuse of dynamic phenological information. We propose a novel time-series mapping framework that overcomes these limitations through three methodological innovations: (1) propose a semiautomatic sample migration algorithm to generate reliable historical samples, (2) develop dynamic phenology indices to capture seasonal growth patterns, and (3) change detection variables were utilized to capture the temporal characteristics of the rubber plantation time series. The variable importance analysis revealed that elevation was consistently highly ranked in rubber plantations classification. Dynamic phenology indices were also crucial, especially those based on the month of major leaf fall. The change detection variables, particularly the NDFI, ranked highly across all years. Overall, the highest classification accuracy for rubber plantations was achieved by using all six variable types: spectral bands, composite indices, terrain, textures, change detection, and dynamic phenology indices. When applied at an experimental site in China, the framework achieved over 97% accuracy for historically migrated samples and the rubber plantations mapping accuracy (RPMA) of 93.68% between 2003 and 2022. Transfer tests in Myanmar and Thailand confirmed its robustness, with RPMA of 94.34% and 93.73%, respectively. The maps showed high spatial consistency with Google Earth imagery, clearly distinguishing rubber plantations from other vegetation. By integrating sample migration with dynamic spatiotemporal features, this framework provides a transferable and scalable solution for long-term rubber plantation monitoring. This highlights the critical role of phenology and change detection in improving classification accuracy, offering new opportunities for regional-scale plantation mapping in Southeast Asia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».